تخيل أنك تحاول معرفة سبب نمو بعض النباتات بشكل أطول من غيرها. في عالم بسيط، قد تكتفي فقط بالنظر إلى كمية الماء وأشعة الشمس التي تحصل عليها كل نبتة. ولكن في حديقة حقيقية، تكون النباتات جيراناً. إذا سقيت نبتة واحدة، فقد تظلل جارتها، أو قد تسرق جذورها العناصر الغذائية، أو ربما تجعل المياه الزائدة التربة رطبة جداً للجميع في الجوار. هذا هو العالم المعقد لـ "التداخل" (interference): حيث ما يحدث لشيء ما يغير ما يحدث لأصدقائه. يطلق العلماء على هذا "الاستدلال السببي" (causal inference)، وهم يريدون معرفة التأثير الحقيقي لعلاج ما (مثل دواء جديد أو حملة تسويقية) دون الارتباك بسبب هذه الآثار الجانبية الجيرانية. عادةً، لحل هذا، يتعين على الباحثين وضع تخمين كبير حول كيفية تأثير الجيران على بعضهم البعض. قد يفترضون، على سبيل المثال، أنه "كلما زاد عدد جيرانك الذين تلقوا العلاج، زاد تأثرك بهم". ولكن ماذا لو كان هذا التخمين خاطئاً؟ ماذا لو كان التأثير يعتمد على أي جيران محددين تلقوا العلاج، أو على شخصياتهم الفريدة؟ إذا كان التخمين خاطئاً، فإن الحساب بأكمده سينهار.

هذه هي بالضبط المشكلة التي يعالجها أسلوب جديد يسمى HINet، والذي اقترحه الباحثون دان كالجون، وجنتي فان بيل، ووتير فيربيك. بدلاً من فرض تخمين مسبق حول كيفية تفاعل الجيران، فإن HINet يشبه المحقق الذكي للغاية الذي يتعلم قواعد الحي من تلقاء نفسه. لقد بنى الباحثون شبكة عصبية (نوع من أدمغة الكمبيوتر) تنظر إلى شبكة الروابط بأكملها وتكتشف كيف تنتقل تأثيرات العلاج عبر المجموعة دون الحاجة إلى دليل يدوي. اختبروه على بيانات وهمية وشبكات اجتماعية من العالم الحقيقي، ووجدوا أن HINet يصل إلى الإجابة الصحيحة باستمرار، حتى عندما تكون "قواعد" الحي معقدة وغير معروفة. وفي المقابل، فإن الأساليب القديمة التي تعتمد على تخمين القواعد غالباً ما تفشل فشلاً ذريعاً. يشير البحث إلى أنه من خلال ترك الكمبيوتر يتعلم ديناميكيات الحي مباشرة، يمكننا اتخاذ قرات أفضل بشأن من يجب علاجهم، سواء في الطب أو في الأعمال، دون الوقوع في فخ الواقع الاجتماعي المعقد.

المشكلة: "لعبة التخمين" للجيران

تخيل أنك طبيب يحاول اختبار لقاح جديد. أنت تعطيه لبعض الناس ولا تعطيه لآخرين. في عالم مثالي ومعزول، يمكنك ببساطة مقارنة معدلات المرض بين المجموعتين. لكن الناس ليسوا معزولين؛ فهم جزء من شبكة اجتماعية. إذا حصل صديقك الملقح على اللقاح، فقد لا يمرض، ولكنه أيضاً لن ينقل الفيروس إليك. أنت محمي رغم أنك لم تحصل على اللقاح. هذا هو التداخل: علاج شخص ما يغير نتيجة شخص آخر.

لقياس هذا، يستخدم العلماء عادةً ما يسمى رسم خرائط التعرض (exposure mapping). فكر في هذا كأنه وصفة لكيفية خلط "تأثير الجيران". الوصفة الشائعة بسيطة: "عدّ كم من جيرانك المباشرين تلقوا العلاج، واقسم ذلك على إجمالي عدد الجيران". إذا حصل 50% من أصدقائك على اللقاح، فإن "تعرضك" هو 0.5. هذا يعمل بشكل رائع إذا كان التأثير مجرد متوسط بسيط حقاً. لكن في العالم الحقيقي، التأثير فوضوي. ربما لا يهمك إلا إذا حصل أفضل صديق لك على اللقاح، أو ربما لا تتأثر إلا إذا حصل ثلاثة جيران محددين على اللقاح. إذا استخدم العالم وصفة "المتوسط" البسيطة بينما القاعدة الحقيقية هي "الصديق المفضل فقط"، فإن حساباته لتأثير اللقاح ستكون خاطئة. يُسمى هذا سوء التوصيف (misspecification)، وهو يسبب صداعاً كبيراً لأنه في معظم المواقف الواقعية، لا أحد يعرف الوصفة الحقيقية بالفعل.

الحل: HINet، محقق الأحياء

يقترح المؤلفون HINet (شبكة التداخل غير المتجانسة - Heterogeneous Interference Network) لحل هذه المشكلة. بدلاً من مطالبة العالم بكتابة الوصفة، يجلب HINet أداة قوية تسمى الشبكة العصبية الرسومية (GNN).

فكر في الـ GNN كمحقق لا ينظر إلى شخص واحد فحسب، بل ينظر إلى الحفلة بأكملها. عندما يحاول HINet التنبؤ بما سيحدث لشخص ما، فإنه لا ينظر فقط إلى ما إذا كان ذلك الشخص قد تلقى العلاج. بل ينظر إلى سمات الشخص نفسه، ثم يمسح دائرة أصدقائه بالكامل. ويتساءل: "من في هذه الدائرة تلقى العلاج؟ ما هي سماتهم؟ وكيف يؤثر هذا المزيج المحدد على هدفنا؟"

الأهم من ذلك، أن HINet يفعل ذلك بشكل مشترك. فهو يتعلم "تمثيل الجيران" (ملخص لمن حولك وما يفعلونه) في نفس الوقت الذي يتعلم فيه التنبؤ بالنتيجة. إنه مثل طالب يتعلم حل مسألة رياضية من خلال فهم قواعد اللعبة في آن واحد. ولأن النظام يتعلم القواعد من البيانات نفسها، فهو لا يحتاج إلى رسم خرائط تعرض مكتوبة مسبقاً. يمكنه اكتشاف أن التأثير يعتمد على جيران محددين، أو تركيبات معقدة، دون أن يُطلب منه البحث عنها.

عملية التوازن: تجنب فخ "الصديق المزيف"

هناك مشكلة ثانية يتناولها البحث. في الحياة الواقعية، لا يحصل الناس على العلاجات بشكل عشوائي. ربما يعطي الطبيب اللقاح للأشخاص الأصحاء، أو تستهدف حملة تسويقية الأحياء الغنية. هذا يخلق انحيازاً يسمى عدم توازن تكوين العلاج (treatment-configuration imbalance). إذا كانت المجموعة التي تلقت العلاج مختلفة تماماً عن المجموعة التي لم تتلقه، فمن الصعب معرفة ما إذا كانت النتيجة ناجمة عن العلاج أم لمجرد كونهم مختلفين منذ البداية.

في الشبكة، يصبح الأمر أكثر غرابة. إذا كان أصدقاؤك جميعاً مشابهين لك (وهو مفهوم يسمى التجانس أو homophily)، وإذا كان من المرجح أن تحصلوا جميعاً على نفس العلاج، فإن "تكوين العلاج المحلي" الخاص بك (أنت + علاجات أصدقائك) يكون قابلاً للتنبؤ بناءً على سماتك. يستخدم HINet خدعة ذكية تسمى التدريب الخصومي (adversarial training) لإصلاح ذلك.

تخيل لعبة "الاستغماية" (الغميضة):

1. المتنبئ (العقل الرئيسي لـ HINet) يحاول التنبؤ بالنتيجة (على سبيل المثال: "هل سيشتري هذا الشخص المنتج؟").
2. الخصم (الباحث عن المختبئ) يحاول تخمين من تلقى العلاج بمجرد النظر إلى البيانات التي عالجها HINet.

يتم تدريب HINet ليكون المتنبئ دقيقاً مع خداع الخصم في الوقت ذاته. فهو يريد إنشاء "تمثيل" للبيانات يكون متوازناً لدرجة أن الخصم لا يستطيع معرفة من تلقى العلاج ومن لم يتلقه. ومن خلال القيام بذلك، يضمن H-INet أن الاختلافات في النتائج تعود فعلياً إلى العلاج، وليس لأن المجموعة التي تلقت العلاج كانت ببساطة من نوع مختلف من الأشخاص منذ البداية. يوضح البحث أن هذا التوازن الواعي بالشبكة أمر بالغ الأهمية، خاصة عندما يعتمد تعيين العلاج بشدة على البيئة المحلية.

ما وجدوه: طريقة "لا تخمين" هي المنتصرة

اختبر الباحثون HINet على عدة مجموعات بيانات، بما في ذلك شبكات وهمية بنوها لمحاكاة أنواع مختلفة من التداخل (مثل نموذج "باراباسي-ألبرت" ونماذج "التجانس") وبيانات من العالم الحقيقي من شبكات اجتماعية مثل Flickr ورسوم بيانية للمؤلفين المشتركين. وقارنوا HINet بطرق أخرى تعتمد على تخمين خريطة التعرض (مثل NetEst و TNet) وطرق تتجاهل الشبكة تماماً.

كانت النتائج واضحة:

• عندما كان التخمين صحيحاً: أدت الطرق التي خمنت خريطة التعرض بشكل صحيح أداءً جيداً، ولكن HINet فعل ذلك أيضاً.
• عندما كان التخمين خاطئاً: هنا حدث السحر. عندما قام الباحثون بتغيير قواعد المحاكاة (على سبيل المثال، جعل التأثير يعتمد على جار محدد بدلاً من المتوسط)، انهارت طرق التخمين. ارتفعت معدلات الخطأ لديهم بشكل صاروخي لأن وصفتهم المعدة مسبقاً لم تطابق الواقع.
• اتساق HINet: أدى HINet أداءً متسقاً وجيداً عبر جميع السيناريوهات. لم يهم إذا كان التداخل بسيطاً، أو معقداً، أو يعتمد على جيران محددين. ولأنه تعلم النمط من البيانات، لم يقع في الفخ بسبب افتراض خاطئ.

قدم البحث أيضاً طريقتين جديدتين لقياس النجاح وهما CNEE (خطأ تقدير الشبكة المضاد للواقع) و PEHNE (الدقة في تقدير تأثيرات الشبكة غير المتجانسة). تتحقق هذه المقاييس من مدى قدرة النموذج على التنبؤ بالنتائج عبر العديد من سيناريوهات "ماذا لو" المختلفة، وليس فقط السيناريو الذي حدث بالفعل. سجل HINet أدنى الأخطاء في هذه المقاييس، مما يثبت أنه قوي ومتين.

الخلاصة

النتيجة الرئيسية هي أنك لست بحاجة لمعرفة قواعد التداخل لقياس تأثيراتها. من خلال استخدام شبكة عصبية مرنة تتعلم ديناميكيات الحي فورياً وتوازن البيانات لإزالة الانحياز، يمكن لـ HINet تقدير آثار العلاج بدقة حتى عندما تكون الآلية الأساسية لغزاً.

يشير المؤلفون إلى أنه بينما تكون الأساليب القديمة مفيدة إذا كنت متأكداً تماماً من كيفية تأثير الجيران على بعضهم البعض، إلا أنها محفوفة بالمخاطر في العالم الحقيقي حيث تكون تلك القواعد مجهولة. يقدم HINet بديلاً أكثر أماناً واتساقاً. وهو يشير إلى أنه في العالم الاجتماعي المترابط والمعقد، فإن أفضل نهج هو ترك البيانات تعلمنا القواعد، بدلاً من فرض تخميناتنا الخاصة عليها. لا يدعي البحث أنه حل كل مشاكل الاستدلال السببي، لكنه يوفر أداة قوية مدعومة بالأدلة للتنقل في حالة عدم اليقين المرتبطة بتداخل الشبكات.